Как спорт влияет на карьеру?

В третьей части подкаста с Валерием Бабушкиным разговор вышел за рамки карьеры и машинного обучения. На этот раз Виктор и Валерий обсудили спорт и его роль в жизни специалиста, работающего в высокоинтеллектуальной и конкурентной среде.

▪️Как спортивный опыт влияет на мышление, дисциплину и принятие решений?
▪️Почему регулярные тренировки помогают справляться со стрессом, выгоранием и сложными управленческими задачами?
▪️И есть ли параллели между спортом высоких достижений и работой в бигтехе?

Валерий поделился личным опытом, рассказал, как он держит баланс между работой и физической нагрузкой, про мотивацию, долгосрочные цели и о том, почему развитие вне профессии напрямую отражается на результатах в профессии.

Плюс, в подкасте есть важный анонс. И если вы хотите попасть на курс ML System Design в числе первых, переходите в бота и оставляйте заявку: https://news.1rj.ru/str/ml_insideBot?start=ML-System-Design, количество мест на курсе будет ограничено, так что если хотите успеть, это ваш шанс.

Подкаст уже вышел на всех наших площадках, собрали для вас ссылки для удобства:
YouTube
ВК
Дзен

Перезапуск специализации по ML: как было на Курсере, только с современной программой

С 2016 по 2022 год более 200 тысяч человек прошло через нашу с коллегами специализацию "Машинное обучение и анализ данных" на Coursera, выпущенную под брендом МФТИ и Яндекса. Курсы специализации практически стандартом в изучении Machine Learning на целых шесть лет, а стоило все это удовольствие всего 4999 рублей в месяц. Но с тех пор набор тем, которые нужно знать начинающему Data Scientist'у или ML-инженеру, существенно изменился. Поэтому мы с командой MLinside переосмыслили специализацию и выпускаем ее новую версию, причем по той же цене, что была четыре года назад.

Список курсов мы подбирали очень внимательно, со всей заботой о том, чтобы изучивший все видеолекции и выполнивший все задания слушатель смог построить карьеру в сфере AI. Начинаем с пререквизитов и классического машинного обучения, далее знакомимся с глубоким обучением и особенно горячей сейчас темой AI-агентов. После переходим уже к суровым будням коммерческого применения AI: A/B тестам, MLOps и ML System Design. А чтобы курсы не устаревали от того, как быстро развивается в наши дни AI, уже вышедшие курсы мы будем продолжать обновлять, а главное - дополнять. Ближайшая аналогия здесь - основной сюжет и побочные квесты в компьютерных играх. Курсы мы выпускаем с тем набором материалов, которые составляют "основной сюжет", но с течением времени будет появляться все больше опциональных лекций и заданий ("побочных квестов").

Наша миссия - дать широкому кругу людей, интересующихся AI, доступ к курсам топового уровня. Материал курсов специализации довольно непростой: в основу всех курсов, кроме вводного, положены материалы занятий в сильнейших российских ВУЗах - МФТИ, МГУ, ВШЭ, ИТМО. Здесь не будет обещаний, что "каждый может стать data scientist". Но тот, кто справится с материалом, сможет.

На специализацию УЖЕ можно оформить подписку: https://mlinside.ru/specializaciya

На текущий момент готовы подготовительный модуль (математика и python) и classic ML, до конца января планируем выпустить DL (значительная часть материала уже готова), до конца февраля - AI агентов. Оставшиеся курсы тоже будут выходить с похожей периодичностью.

Как изменится машинное обучение в 2026 году

В 2026 году ML перестанет восприниматься как что-то дорогое, сложное и доступное только большим компаниям. Внедрение моделей станет заметно проще: инфраструктура будет более стандартной, инструменты понятными, а входной порог ниже. То, что ещё несколько лет назад считалось экономически невыгодным, начнёт внедряться по умолчанию. ML появится в небольших продуктах, внутренних сервисах и процессах, где раньше на автоматизацию даже не смотрели.

Одновременно изменится и фокус ценности. Вопрос «какую модель выбрать» постепенно уйдёт на второй план. Гораздо важнее станет понимание того, какую именно задачу решает модель и какую пользу она приносит бизнесу. Выигрывать будут не те, кто знает больше алгоритмов или следит за последними статьями, а те, кто умеет работать с контекстом, данными и метриками, понимает ограничения системы и может объяснить результат не только инженерам, но и бизнесу.

Генеративный AI к этому моменту тоже перестанет быть чем-то отдельным. Он не станет новой профессией и не вытеснит классическое машинное обучение. Скорее, он органично встроится в него как инструмент, который усиливает специалиста. Модели будут помогать быстрее проверять гипотезы, писать код, анализировать данные и находить решения, но ответственность за постановку задачи, выбор подхода и принятие итоговых решений по-прежнему останется за человеком. Именно это и станет главным отличием сильных специалистов в 2026 году.

А что думаете вы? Напишите ваши прогнозы в комментариях, а через год мы соберем из этого отдельный пост и посмотрим, что из этого сбылось.

Даже сейчас ML-инженеру недостаточно просто знать Python и обучать модели в ноутбуке. А через 3 года решающими станут системное мышление, умение работать с продакшн-ML и регулярное использование LLM как инструмента разработки.

У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) рассказывает, почему роль Data Scientist меняется, какие навыки дадут реальное преимущество на рынке и как мультимодальные модели повлияют на бизнес-задачи. Если вы уже чувствуете, что «делать модельки» больше не хватает, это видео поможет понять, куда двигаться дальше и как подготовиться к изменениям заранее.

Видео уже доступно на всех наших площадках, собрали для вас ссылки для удобства:
YouTube
Дзен
ВК

Учимся на практике: решаем реальные ML-задачки

Это наша регулярная рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.

Шестая задача: оценка кредитного риска

Что нужно сделать:
Определить, вернёт ли человек кредит на основе его анкетных данных

Как можно сделать:
▪️ Использовать признаки: возраст, доход, кредитную история, занятость;
▪️ Использовать модели: Logistic Regression, CatBoost;

Данные можно взять на Kaggle: https://www.kaggle.com/datasets/laotse/credit-risk-dataset

Готовы попробовать? Делитесь своими результатами в комментариях.

Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Как на самом деле нанимает бигтех

Этим инсайдом поделился Александр Дубейковский. Сейчас он работает в Авито, а до этого несколько лет был в Яндексе и видел процесс найма изнутри.

Представьте обычный день человека, который ищет первую работу в ML. Он выделяет целый рабочий день, открывает HeadHunter, LinkedIn, GetMatch и другие сервисы, где обычно размещают вакансии.

Он обновляет резюме и начинает рассылать отклики и всё делает верно, пишет трогательные сопроводительные письма, изучает информацию о компаниях, в которые отправляет отклики. Один, второй, десятый. К вечеру их уже около 100. Но на следующий день он видит:

«Большое спасибо за интерес к вакансии! К сожалению, сейчас мы не готовы пригласить вас на следующий этап. Ценим ваше внимание и будем рады получать ваши отклики на другие позиции»

Самая болезненная часть здесь даже не отказ, а ощущение, что «ленивые HR» даже не посмотрели на резюме, а сразу же отправили отказ. А ты вроде бы учишься, получаешь новые навыки и делаешь проекты, стараешься, но система как-будто специально игнорирует тебя.

Причина в том, что конкуренция сейчас огромная. На одну позицию джуна или стажера в крупной компании могут прилетать сотни резюме. Рекрутер физически не может глубоко разбирать каждый профиль, поэтому большинство откликов просто тонут в потоке.

Но хорошая новость в том, что шанс пробиться на собеседование есть, и он не связан с тем, сколько форм вы заполните. В бигтехе очень много людей нанимают не из потока откликов, а через рекомендации и внутренние сообщества. Именно поэтому так хорошо работают школы, стажировки и внутренние академии. Они создают доверие к кандидату еще до того, как он приходит к HR.

И этим можно и нужно пользоваться.

Например, вы хотите в крупную компанию. Вы находите их бесплатные митапы, вебинары, открытые лекции. Подключаетесь, задаете осмысленные вопросы, показываете, что вы в теме и что вам действительно интересно. Через такие активности вы знакомитесь с людьми из команды, и постепенно у вас появляется возможность не просто откликнуться, а быть замеченным.

Сразу предупредим, что это не быстрый, но реальный путь.

И если бы было нужно выделить одну ключевую мысль, то вот она:

В бигтех можно попасть и через большое количество откликов, но если вы сумеете попасть в поле зрения нужных людей, то путь до оффера у вас сократится в несколько раз

А как дела с поиском работы обстоят у вас?

Как ускорить ML-модель в продакшене и почему скорость инференса напрямую влияет на деньги, пользователей и инфраструктурные затраты бизнеса?

Рассказывает на YouTube, в ВК и ДЗЕН Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) и показывает на практических примерах, почему модели «летают» в ноутбуке, но тормозят в реальных системах, и какие инженерные решения действительно дают прирост производительности.

Квантование, прунинг, дистилляция, батчинг, кэширование, аппаратное ускорение и ONNX – вы поймёте, как и когда применять каждый подход, какие компромиссы между скоростью и точностью неизбежны и как не потерять качество на критичных кейсах. Видео будет особенно полезно тем, кто хочет перейти от академического ML к реальным бизнес-системам и научиться делать модели быстрыми, экономичными и ценными для продукта.

Если вы еще не смотрели, собрали для вас ссылки:
YouTube
ВК
Дзен

Учимся на практике: решаем реальные ML-задачки

Да, это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.

Шестая задача: прогнозирование температуры

Что нужно сделать: предсказать температуру на завтра на основе исторических данных

Как можно сделать:
▪️Использовать признаки: температуру ранее, влажность, день года;
▪️Добавить лаги и сезонные признаки (месяц, неделя);
▪️Попробовать: линейную регрессию с разными признаками, Random Forest, Prophet.

Данные можно взять на Kaggle: https://www.kaggle.com/datasets/muthuj7/weather-dataset

Готовы попробовать? Делитесь своими результатами в комментариях.

Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Главная ошибка ML-специалиста сегодня

С появлением LLM код и прототипы стали появляться заметно быстрее. Рабочее решение можно собрать за вечер, а иногда и за несколько часов. Но всё чаще результат готов раньше, чем приходит понимание того, как это решение должно жить в продукте и какую ценность оно приносит бизнесу.

Именно здесь возникает главная ошибка, ведь так легко спутать скорость реализации с профессиональной ценностью.

LLM действительно ускоряют работу, снимают часть рутины и помогают быстрее дойти до рабочего варианта. Но они не думают за вас и не принимают решений за продукт.

На практике обычно это выглядит так: прототип выглядит убедительно, но не встраивается в продуктовый процесс. LLM используется не для ускорения понятных шагов, а чтобы закрыть неопределённость.

Проблема в том, что такие решения редко доходят до реального использования. Их сложно защитить перед командой и менеджментом. Вклад специалиста становится размытым, а рост по грейдам постепенно замедляется. В какой-то момент ценность человека начинает слабо отличаться от ценности самого инструмента.

Сильный ML-специалист сегодня мыслит иначе. Он начинает не с кода, а с формулировки задачи и эффекта, который нужен бизнесу. Использует LLM как ускоритель, а не как источник ответов. Проектирует систему целиком, заранее думая о данных, метриках, рисках и внедрении. И оценивает результат по тому, как оно работает в реальности.

И если можно было бы выделить одну ключевую мысль, то вот она:

LLM ускоряют руки. Ценность создаёт мышление. Именно это по-прежнему отличает сильного ML-специалиста от всех прочих.

А есть ли в ваших проектах задачи вы сознательно не используете LLM и почему?

У вас есть данные, но нет разметки и кажется, что с ними невозможно работать?

На самом деле именно в таких данных часто скрывается наибольшая ценность и об этом рассказывает на YouTube, в ВК и ДЗЕН Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside). Вы узнаете, что такое обучение без учителя, как оно работает на практике и какие задачи позволяет решать, когда нет готовых меток или их слишком дорого создавать.

Если вы еще не смотрели, собрали для вас ссылки:
YouTube
ВК
Дзен

Учимся на практике: решаем реальные ML-задачки

С вами рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.

Седьмая задача: определение вида растения по параметрам почвы

Что нужно сделать: по составу почвы (pH, влажность, азот, калий) предсказать, какой вид растения лучше всего подойдёт

Как можно сделать:
▪️Использовать многоклассовую классификацию;
▪️Использовать признаки: химический состав, климат, глубина почвы;
▪️Модель: Random Forest, SVM.

Данные можно взять на Kaggle: https://www.kaggle.com/datasets/atharvaingle/crop-recommendation-dataset

Готовы попробовать? Делитесь своими результатами в комментариях.

Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Тот самый курс по машинному обучению, который прошли 200 000 человек

С 2016 по 2022 год специализация от МФТИ и Яндекса на Coursera была «входным билетом» в профессию для каждого второго топового дата-сайентиста в СНГ.

Но AI летит вперед слишком быстро. Сегодня просто знать «линейную регрессию» мало. Нужно понимать, как работают LLM, как строить AI-агентов и внедрять их в реальный бизнес.

Поэтому в начале года мы запустили специализацию «Искусственный интеллект и анализ данных». Это полный путь: от основ математики до самых свежих технологий 2026 года.

Что внутри курса?
Фундамент: Математика и Python;
Classic ML: Деревья, ансамбли, классические алгоритмы;
Deep Learning & LLM: Нейросети, трансформеры, RAG-системы и те самые AI-агенты;
Production: Как довести модель до работы в реальном бизнесе.

Почему этот курс уникален?
▪️Авторы-практики: Топы из Яндекса, МТС, Сбера, РСХБ. Люди, которые строили AI-отделы на сотни человек.
▪️Геймификация: Программа делится на «основной сюжет» (база) и «побочные квесты» (углубленные темы), которые постоянно обновляются.
▪️Доступность: Мы сохранили цену четырехлетней давности. Доступ ко всем знаниям по подписке от 5000 рублей в месяц.

Но сразу же предупреждаем – материал сложный, на уровне МФТИ, ВШЭ и ИТМО. Но те, кто справятся, станут элитой рынка.

Готовы начать свой путь в AI?

Переходите по ссылке, изучайте программу и выбирайте свой первый модуль. Обучение в удобном темпе уже ждет именно вас

Сможете найти ошибку в коде?

Как дела, code-детективы? Да, это наша регулярная рубрика Code Detective. Тут мы публикуем фрагмент кода, а вы смотрите, что с ним не так. Но помните, что ошибки может и не быть. Так что если хотите прокачать навык чтения и анализа чужого кода, а это крайне полезный навык в работе ML-инженера, рубрика вам пригодится.

Вот фрагмент кода:

import pandas as pd

init_df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) # инициализируем датафрейм с исходными данными
df_for_tests = init_df # делаем копию начального датафрейма чтобы на ней проводить наши тесты
df_for_tests['A'] = 0 # изменяем один из элементов в датафрейме для тестов

Тут всё хорошо. Или нет? Есть какая-то ошибка? Если есть, напишите в комментариях:
1. Какую ошибку нашли;
2. Варианты её исправления.

Ответ мы опубликуем через пару дней, а посты этой рубрики можно посмотреть по хэштегу: #CodeDetective_MLinside